Spark編程基礎(chǔ)（Scala版）

第1章　大數(shù)據(jù)技術(shù)概述　1
1．1 大數(shù)據(jù)的概念與關(guān)鍵技術(shù)　2
1．1．1　大數(shù)據(jù)的概念　2
1．1．2　大數(shù)據(jù)關(guān)鍵技術(shù)　2
1．2 代表性大數(shù)據(jù)技術(shù)　4
1．2．1　Hadoop　4
1．2．2　Spark　8
1．2．3　Flink　10
1．2．4　Beam　11
1．3 編程語言的選擇　12
1．4 在線資源　13
1．5 本章小結(jié)　14
1．6 習(xí)題　14
實(shí)驗(yàn)1 Linux系統(tǒng)的安裝和常用命令　15
一、實(shí)驗(yàn)?zāi)康摹?5
二、實(shí)驗(yàn)平臺　15
三、實(shí)驗(yàn)內(nèi)容和要求　15
四、實(shí)驗(yàn)報(bào)告　16
第2章　Scala語言基礎(chǔ)　17
2．1 Scala語言概述　18
2．1．1　計(jì)算機(jī)的緣起　18
2．1．2　編程范式　19
2．1．3　Scala簡介　20
2．1．4　Scala的安裝　21
2．1．5　HelloWorld　21
2．2 Scala基礎(chǔ)知識　23
2．2．1　基本數(shù)據(jù)類型和變量　23
2．2．2　輸入/輸出　26
2．2．3　控制結(jié)構(gòu)　28
2．2．4　數(shù)據(jù)結(jié)構(gòu)　31
2．3 面向?qū)ο缶幊袒A(chǔ)　37
2．3．1　類　37
2．3．2　對象　42
2．3．3　繼承　47
2．3．4　參數(shù)化類型　50
2．3．5　特質(zhì)　52
2．3．6　模式匹配　55
2．3．7　包　58
2．4 函數(shù)式編程基礎(chǔ)　59
2．4．1　函數(shù)的定義與使用　60
2．4．2　高階函數(shù)　61
2．4．3　閉包　62
2．4．4　偏應(yīng)用函數(shù)和Curry化　62
2．4．5　針對容器的操作　64
2．4．6　函數(shù)式編程實(shí)例　69
2．5 本章小結(jié)　70
2．6 習(xí)題　70
實(shí)驗(yàn)2 Scala編程初級實(shí)踐　71
一、實(shí)驗(yàn)?zāi)康摹?1
二、實(shí)驗(yàn)平臺　71
三、實(shí)驗(yàn)內(nèi)容和要求　72
四、實(shí)驗(yàn)報(bào)告　75
第3章　Spark的設(shè)計(jì)與運(yùn)行原理　76
3．1 概述　77
3．2 Spark生態(tài)系統(tǒng)　78
3．3 Spark運(yùn)行架構(gòu)　79
3．3．1　基本概念　79
3．3．2　架構(gòu)設(shè)計(jì)　80
3．3．3　Spark運(yùn)行基本流程　81
3．3．4　RDD的設(shè)計(jì)與運(yùn)行原理　82
3．4 Spark的部署方式　91
3．5 本章小結(jié)　92
3．6 習(xí)題　93
第4章　Spark環(huán)境搭建和使用方法　94
4．1 安裝Spark　95
4．1．1　基礎(chǔ)環(huán)境　95
4．1．2　下載安裝文件　95
4．1．3　配置相關(guān)文件　96
4．1．4　Spark和Hadoop的交互　97
4．2 在spark-shell中運(yùn)行代碼　97
4．2．1　spark-shell命令　98
4．2．2　啟動spark-shell　99
4．3 開發(fā)Spark獨(dú)立應(yīng)用程序　99
4．3．1　安裝編譯打包工具　100
4．3．2　編寫Spark應(yīng)用程序代碼　101
4．3．3　編譯打包　101
4．3．4　通過spark-submit運(yùn)行程序　104
4．4 Spark集群環(huán)境搭建　104
4．4．1　集群概況　105
4．4．2　搭建Hadoop集群　105
4．4．3　在集群中安裝Spark　106
4．4．4　配置環(huán)境變量　106
4．4．5　Spark的配置　106
4．4．6　啟動Spark集群　107
4．4．7　關(guān)閉Spark集群　107
4．5 在集群上運(yùn)行Spark應(yīng)用程序　108
4．5．1　啟動Spark集群　108
4．5．2　采用獨(dú)立集群管理器　108
4．5．3　采用Hadoop YARN管理器　109
4．6 本章小結(jié)　110
4．7 習(xí)題　111
實(shí)驗(yàn)3 Spark和Hadoop的安裝　111
一、實(shí)驗(yàn)?zāi)康摹?11
二、實(shí)驗(yàn)平臺　111
三、實(shí)驗(yàn)內(nèi)容和要求　111
四、實(shí)驗(yàn)報(bào)告　112
第5章　RDD編程　113
5．1 RDD編程基礎(chǔ)　114
5．1．1　RDD創(chuàng)建　114
5．1．2　RDD操作　115
5．1．3　持久化　121
5．1．4　分區(qū)　122
5．1．5　一個(gè)綜合實(shí)例　126
5．2 鍵值對RDD　128
5．2．1　鍵值對RDD的創(chuàng)建　128
5．2．2　常用的鍵值對轉(zhuǎn)換操作　129
5．2．3　一個(gè)綜合實(shí)例　133
5．3 數(shù)據(jù)讀寫　134
5．3．1　文件數(shù)據(jù)讀寫　135
5．3．2　讀寫HBase數(shù)據(jù)　137
5．4 綜合實(shí)例　141
5．4．1　求TOP值　141
5．4．2　文件排序　143
5．4．3　二次排序　144
5．5 本章小結(jié)　146
實(shí)驗(yàn)4 RDD編程初級實(shí)踐　146
一、實(shí)驗(yàn)?zāi)康摹?46
二、實(shí)驗(yàn)平臺　146
三、實(shí)驗(yàn)內(nèi)容和要求　146
四、實(shí)驗(yàn)報(bào)告　148
第6章　Spark SQL　149
6．1 Spark SQL簡介　150
6．1．1　從Shark說起　150
6．1．2　Spark SQL架構(gòu)　151
6．1．3　為什么推出Spark SQL　152
6．2 DataFrame概述　152
6．3 DataFrame的創(chuàng)建　153
6．4 DataFrame的保存　154
6．5 DataFrame的常用操作　155
6．6 從RDD轉(zhuǎn)換得到DataFrame　156
6．6．1　利用反射機(jī)制推斷RDD模式　157
6．6．2　使用編程方式定義RDD模式　158
6．7 使用Spark SQL讀寫數(shù)據(jù)庫　160
6．7．1　通過JDBC連接數(shù)據(jù)庫　160
6．7．2　連接Hive讀寫數(shù)據(jù)　162
6．8 本章小結(jié)　166
6．9 習(xí)題　166
實(shí)驗(yàn)5 Spark SQL編程初級實(shí)踐　167
一、實(shí)驗(yàn)?zāi)康摹?67
二、實(shí)驗(yàn)平臺　167
三、實(shí)驗(yàn)內(nèi)容和要求　167
四、實(shí)驗(yàn)報(bào)告　168
第7章　Spark Streaming　169
7．1 流計(jì)算概述　170
7．1．1　靜態(tài)數(shù)據(jù)和流數(shù)據(jù)　170
7．1．2　批量計(jì)算和實(shí)時(shí)計(jì)算　171
7．1．3　流計(jì)算概念　171
7．1．4　流計(jì)算框架　172
7．1．5　流計(jì)算處理流程　173
7．2 Spark Streaming　174
7．2．1　Spark Streaming設(shè)計(jì)　174
7．2．2　Spark Streaming與Storm的對比　175
7．2．3　從“Hadoop+Storm”架構(gòu)轉(zhuǎn)向Spark架構(gòu)　176
7．3 DStream操作概述　177
7．3．1　Spark Streaming工作機(jī)制　177
7．3．2　編寫Spark Streaming程序的基本步驟　178
7．3．3　創(chuàng)建StreamingContext對象　178
7．4 基本輸入源　179
7．4．1　文件流　179
7．4．2　套接字流　181
7．4．3　RDD隊(duì)列流　186
7．5 高級數(shù)據(jù)源　187
7．5．1　Kafka簡介　188
7．5．2　Kafka準(zhǔn)備工作　188
7．5．3　Spark準(zhǔn)備工作　189
7．5．4　編寫Spark Streaming程序使用Kafka數(shù)據(jù)源　190
7．6 轉(zhuǎn)換操作　194
7．6．1　DStream無狀態(tài)轉(zhuǎn)換操作　194
7．6．2　DStream有狀態(tài)轉(zhuǎn)換操作　195
7．7 輸出操作　199
7．7．1　把DStream輸出到文本文件中　199
7．7．2　把DStream寫入到關(guān)系數(shù)據(jù)庫中　200
7．8 本章小結(jié)　202
7．9 習(xí)題　202
實(shí)驗(yàn)6　Spark Streaming編程初級實(shí)踐　203
一、實(shí)驗(yàn)?zāi)康摹?03
二、實(shí)驗(yàn)平臺　203
三、實(shí)驗(yàn)內(nèi)容和要求　203
四、實(shí)驗(yàn)報(bào)告　204
第8章　Spark MLlib　205
8．1 基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)　206
8．2 機(jī)器學(xué)習(xí)庫MLlib概述　207
8．3 基本數(shù)據(jù)類型　208
8．3．1　本地向量　208
8．3．2　標(biāo)注點(diǎn)　208
8．3．3　本地矩陣　209
8．4 機(jī)器學(xué)習(xí)流水線　210
8．4．1　流水線的概念　210
8．4．2　流水線工作過程　211
8．5 特征提取、轉(zhuǎn)換和選擇　212
8．5．1　特征提取　213
8．5．2　特征轉(zhuǎn)換　215
8．5．3　特征選擇　220
8．5．4　局部敏感哈?！?21
8．6 分類算法　222
8．6．1　邏輯斯蒂回歸分類器　222
8．6．2　決策樹分類器　226
8．7 聚類算法　229
8．7．1　K-Means聚類算法　230
8．7．2　GMM聚類算法　232
8．8 協(xié)同過濾算法　234
8．8．1　推薦算法的原理　235
8．8．2　ALS算法　235
8．9 模型選擇和超參數(shù)調(diào)整　239
8．9．1　模型選擇工具　239
8．9．2　用交叉驗(yàn)證選擇模型　240
8．10 本章小結(jié)　242
8．11 習(xí)題　242
實(shí)驗(yàn)7　Spark機(jī)器學(xué)習(xí)庫MLlib編程實(shí)踐　243
一、實(shí)驗(yàn)?zāi)康摹?43
二、實(shí)驗(yàn)平臺　243
三、實(shí)驗(yàn)內(nèi)容和要求　243
四、實(shí)驗(yàn)報(bào)告　244
參考文獻(xiàn)　245